機(jī)器之心報(bào)道
機(jī)器之心感謝部
在寫(xiě)文章、畫(huà)圖之后，AI 大模型現(xiàn)在又同時(shí)有了打得能力。不禁在想，DeepMind 得智能體 Gato 未來(lái)還能玩出哪些花活？
假如使用單一序列模型就能解決所有任務(wù)，是再好不過(guò)得事情，因?yàn)檫@種模型減少了不必要得麻煩。不過(guò)這需要增加訓(xùn)練數(shù)據(jù)得數(shù)量和多樣性，此外，這種通用模型隨著數(shù)據(jù)得擴(kuò)充和模型得擴(kuò)展，性能還會(huì)提高。從歷史上看，更擅長(zhǎng)利用計(jì)算得通用模型最終也會(huì)超過(guò)特定于專門(mén)領(lǐng)域得模型。
今日，受大規(guī)模語(yǔ)言建模得啟發(fā)，Deepmind 應(yīng)用類(lèi)似得方法構(gòu)建了一個(gè)單一得「通才」智能體 Gato，它具有多模態(tài)、多任務(wù)、多具身（embodiment）特點(diǎn)。
論文地址：storage.googleapis/deepmind-media/A%20Generalist%20Agent/Generalist%20Agent.pdf
Gato 可以玩雅達(dá)利、給支持輸出字幕、和別人聊天、用機(jī)械臂堆疊積木等等。此外，Gato 還能根據(jù)上下文決定是否輸出文本、關(guān)節(jié)力矩、按鈕按壓或其他 token。
與大多數(shù)智能體玩不同，Gato 使用相同得訓(xùn)練模型就能玩許多，而不用為每個(gè)單獨(dú)訓(xùn)練。
Gato 得訓(xùn)練數(shù)據(jù)集應(yīng)該盡量廣泛，需要包括不同模態(tài)，如圖像、文本、本體感覺(jué)（proprioception）、關(guān)節(jié)力矩、按鈕按壓以及其他離散和連續(xù)得觀察和行動(dòng)。
為了能夠處理這種多模態(tài)數(shù)據(jù)，Deepmind 將所有數(shù)據(jù)序列化為一個(gè)扁平得 token 序列。在這種表示中，Gato 可以從類(lèi)似于標(biāo)準(zhǔn)得大規(guī)模語(yǔ)言模型進(jìn)行訓(xùn)練和采樣。在部署期間，采樣得 token 會(huì)根據(jù)上下文組合成對(duì)話響應(yīng)、字幕、按鈕按下或其他動(dòng)作。
UCL 計(jì)算機(jī)系教授汪軍告訴機(jī)器之心，DeepMind 得這項(xiàng)最新工作將強(qiáng)化學(xué)習(xí)、計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理這三個(gè)領(lǐng)域合到一起，雖然技術(shù)思路上沿用了前人得方法，但能將 CV、NLP 和 RL 這三個(gè)不同模態(tài)映射到同一個(gè)空間，用一套參數(shù)表達(dá)，是非常不容易得。
其積極意義在于，證明了 CV、NLP 和 RL 得結(jié)合是切實(shí)可行得，通過(guò)序列預(yù)測(cè)能夠解決一些決策智能得問(wèn)題。考慮到 Gato 模型目前得參數(shù)量只能算中等，接下來(lái)繼續(xù)往這個(gè)方向探索，構(gòu)建更大得模型，將會(huì)有非常大得意義。
不過(guò)，Gato 大模型得 RL 部分只采用了監(jiān)督學(xué)習(xí)方法，并未觸及強(qiáng)化學(xué)習(xí)真正得核心——reward 設(shè)計(jì)機(jī)制，目前得任務(wù)中也沒(méi)有多智能體決策得問(wèn)題。汪軍教授表示，他得團(tuán)隊(duì)近期在決策大模型上做了很多探索，包括證明多智能體決策也可以是序列模型，相關(guān)成果將于近期公布，歡迎大家。
Gato 智能體細(xì)節(jié)
在 Gato 得訓(xùn)練階段，來(lái)自不同任務(wù)和模態(tài)得數(shù)據(jù)被序列化為扁平得 token 序列，由一個(gè)類(lèi)似于大型語(yǔ)言模型得 transformer 神經(jīng)網(wǎng)絡(luò)進(jìn)行 batch 和其他處理。由于損失被 masked，Gato 只預(yù)測(cè)動(dòng)作和文本目標(biāo)。
下圖為 Gato 得訓(xùn)練流程。
在部署 Gato 時(shí)，提示（如演示）被 tokenised，形成了初始序列。接著，環(huán)境產(chǎn)生了第一個(gè)觀察結(jié)果，該結(jié)果也被 tokenised 并添加到序列中。Gato 以自回歸得方式對(duì)動(dòng)作向量進(jìn)行采樣，一次只采樣一個(gè) token。
一旦包含動(dòng)作向量得所有 token 都被采樣（由環(huán)境得動(dòng)作規(guī)范確定），動(dòng)作被解碼并發(fā)送給環(huán)境，然后逐步產(chǎn)生新得觀察結(jié)果。重復(fù)這一過(guò)程。Gato 模型始終在包含 1024 個(gè) token 得上下文環(huán)境窗口內(nèi)查看之前所有得觀察結(jié)果和動(dòng)作。
下圖展示了將 Gato 部署為控制策略（control policy）得流程。
除了各種自然語(yǔ)言和圖像數(shù)據(jù)集之外，Gato 還在包含模擬和真實(shí)環(huán)境中智能體經(jīng)驗(yàn)得大量數(shù)據(jù)集上進(jìn)行了訓(xùn)練。
下表 1 左為用于訓(xùn)練 Gato 得控制數(shù)據(jù)集，右為視覺(jué)與語(yǔ)言數(shù)據(jù)集。樣本權(quán)重（sample weight）表示每個(gè)數(shù)據(jù)集在訓(xùn)練序列 batch 中平均所占得比例。
Gato 智能體能力
研究者匯總了在以上數(shù)據(jù)上訓(xùn)練時(shí) Gato 得性能。也就是說(shuō)，所有任務(wù)得所有結(jié)果都來(lái)自具有一組權(quán)重得單一預(yù)訓(xùn)練模型。微調(diào)結(jié)果將在「實(shí)驗(yàn)分析」章節(jié)展示。
模擬控制任務(wù)
下圖 5 展示了 Gato 在給定分?jǐn)?shù)閾值之上執(zhí)行不同控制任務(wù)得數(shù)量相對(duì)于 Gato 訓(xùn)練數(shù)據(jù)中得可能表現(xiàn)。其中，x 軸上得值表示可能分?jǐn)?shù)得特定百分比，0 對(duì)應(yīng)隨機(jī)智能體性能。y 軸表示預(yù)訓(xùn)練模型得平均性能等于或高于特定百分比時(shí)得任務(wù)數(shù)量。
研究者將性能報(bào)告為百分比，其中 百分百 對(duì)應(yīng)每個(gè)任務(wù)得可能，0% 對(duì)應(yīng)于隨機(jī)策略。對(duì)于訓(xùn)練模型得每個(gè)模擬控制任務(wù)，他們?cè)谙鄳?yīng)得環(huán)境中 roll out Gato 策略 50 次，并對(duì)定義得分?jǐn)?shù)進(jìn)行平均。如下圖所示，Gato 以超過(guò) 50% 得可能分?jǐn)?shù)閾值執(zhí)行了 604 個(gè)任務(wù)中得 450 多個(gè)。
在 ALE Atari 中，Gato 在 23 場(chǎng) Atari 中取得了人類(lèi)平均（或更高得）分?jǐn)?shù)，在 11 場(chǎng)中取得了兩倍于人類(lèi)得分?jǐn)?shù)。雖然生成數(shù)據(jù)得單任務(wù)在線 RL 智能體依然優(yōu)于 Gato，但可以通過(guò)增加容量或使用離線 RL 訓(xùn)練而非純監(jiān)督克服。研究者在文中還介紹了一個(gè)可以得單域 ALE Atari 智能體，它在 44 場(chǎng)比賽中都取得比人類(lèi)更好得分?jǐn)?shù)。
在 BabyAI 中，Gato 在幾乎所有級(jí)別上都得到了 80% 以上得可能分?jǐn)?shù)。對(duì)于最困難得任務(wù) BossLevel，Gato 得得分為 75%。相比之外，另外兩個(gè)已發(fā)布得基準(zhǔn) BabyAI 1.0 和 BabyAI 1.1 分別使用 100 萬(wàn)次演示對(duì)該單一任務(wù)進(jìn)行訓(xùn)練，它們得得分不過(guò)為 77% 和 90%。
在 meta-World 中，Gato 在接受訓(xùn)練得 45 個(gè)任務(wù)中得 44 個(gè)中得到了 50% 以上得可能分?jǐn)?shù)，35 個(gè)任務(wù)上得到 80% 以上，3 個(gè)任務(wù)上超過(guò) 90%。在規(guī)范得 DM Control Suite 上，Gato 在 30 個(gè)任務(wù)中得 21 個(gè)上都得到了 50% 以上得可能分?jǐn)?shù)，在 18 個(gè)任務(wù)上得到 80% 以上。
機(jī)器人基準(zhǔn)評(píng)估
第壹視角遠(yuǎn)程操作可以收集可能演示。然而，此類(lèi)演示收集起來(lái)速度慢成本高。因此，數(shù)據(jù)高效得行為克隆方法對(duì)于訓(xùn)練通用機(jī)器人操縱器是可取得，離線預(yù)訓(xùn)練成為一個(gè)很有動(dòng)力得研究領(lǐng)域。研究者也在已建立得 RGB Stacking 機(jī)器人基準(zhǔn)上對(duì) Gato 進(jìn)行了評(píng)估。
RGB Stacking 機(jī)器人基準(zhǔn)上得技能泛化挑戰(zhàn)測(cè)試了智能體堆疊以往未見(jiàn)過(guò)形狀得對(duì)象得能力。智能體在一個(gè)包含各種形狀機(jī)器人堆疊對(duì)象得 episodes 得數(shù)據(jù)集上進(jìn)行訓(xùn)練。但是，五個(gè)對(duì)象形狀得三元組沒(méi)有包含在訓(xùn)練數(shù)據(jù)中，而是作為測(cè)試三元組。研究者針對(duì)真實(shí)機(jī)器人上得每個(gè)測(cè)試三元組對(duì)訓(xùn)練得 Gato 進(jìn)行了 200 輪得評(píng)估。
下表 2 得結(jié)果表明，Gato 在每個(gè)測(cè)試三元組上得成功率與 Lee 等人（2021）提出得單任務(wù) BC-IMP（filtered BC）基準(zhǔn)相當(dāng)。
文本示例
Gato 智能體也能生成基本對(duì)話以及給圖像加字幕（或描述）。下圖 6 展示了 Gato 為圖像加字幕得代表性示例。
下圖 7 展示了一些精選得純文本對(duì)話交流示例。
實(shí)驗(yàn)分析
下圖 8 中，DeepMind 評(píng)估了 3 種不同模型大小（以參數(shù)計(jì)數(shù)衡量）：79M 模型、364M 模型和 1.18B 模型 (Gato)。可以得出，在相等得 token 數(shù)下，隨著模型得擴(kuò)展，模型性能隨之提高。
下圖 10 將 Gato 在不同微調(diào)數(shù)據(jù)機(jī)制中得成功率與 sim-to-real 可能和 Critic-Regularized Regression (CRR) 智能體進(jìn)行了比較，結(jié)果如下：Gato 在現(xiàn)實(shí)和模擬中（分別為左圖和右圖得紅色曲線），僅用 10 episodes 就恢復(fù)了可能得表現(xiàn)，并在 100 或 1000 episodes 微調(diào)數(shù)據(jù)時(shí)達(dá)到峰值，超過(guò)了可能。在此點(diǎn)之后（在 5000 處），性能會(huì)略有下降，但不會(huì)遠(yuǎn)遠(yuǎn)低于可能得性能。
下表 3 為 Gato 和 BC-IMP 比較結(jié)果。
原文鏈接：
特別deepmind/publications/a-generalist-agent
